Question

我有一个应该是一个简单的问题，但我缺乏awk知识阻碍了我。

我想清理这种格式的fasta文件的标题：

>HWGG454_Clocus2_Locus3443_allele1
ATTCTACTACTACTCT
>GHW757_clocus37_Locus555662_allele2
CTTCCCTACGATG
>TY45_clocus23_Locus800_allele0
TTCTACTTCATCT

我想清理每个标题（以“＆gt;”开头的行）以仅保留信息部分，这是第二个带有或不带等位基因部分的“_Locus *”。

我认为awk是这样做的简单方法，但我不能让它工作。

如果我想保留第一列文本到标题的“_”分隔符以及下面的序列，我运行它（假设这个玩具示例在文件test.fasta中）：

 cat test.fasta | awk -F '_' '{print $1}'

>HWGG454
ATTCTACTACTACTCT
>GHW757
CTTCCCTACGATG
>TY45
TTCTACTTCATCT

但是，我想要的只是保留“Locus *”文本，这是在第3个分隔符之后，但是，使用这个代码我得到了这个：

cat test.fasta | awk -F '_' '{print $3}'
Locus3443

Locus555662

Locus800

我在这里做错了什么？

感谢。

Answer 1

我理解这意味着您要从标题行中选择Locus字段并保持其他字段不变。然后：

awk -F _ '/^>/ { print $3; next } 1' filename

也许是最简单的方法。其工作原理如下：

/^>/ {      # in lines that begin with >
  print $3  # print the third field
  next      # and go to the next line.
}
1           # print other lines unchanged. Here 1 means true, and the
            # default action (unchanged printing) is performed.

这里要理解的是awk的控制流：awk代码由具有相关操作的条件组成，如果条件的计算结果为true，则执行操作。

/^>/是整个记录的正则表达式匹配（默认为行）;如果该行以>开头（因为^与开头匹配），则为真，所以

/^>/ { print $3; next }

将使awk在以print $3; next开头的行中执行>。不太直白的部分是

打印线不变。如果没有执行第一个操作（因为其中包含next），我们才会到达此处，并且此1将被视为始终为真的条件 - 非零值在awk中为真

现在，如果省略了awk语句中的条件或操作，则使用默认值。默认操作是打印行不变，这利用了它。编写

同样是可能的

1 { print }

或

{ print }

在后一种情况下，条件被省略，默认条件为＆＃34; true＆＃34;用来。 1是这个的最短变体，也是因为它的惯用语。

Answer 2

$ awk -F_ '{print (/^>/ ? $3 : $0)}' file
Locus3443
ATTCTACTACTACTCT
Locus555662
CTTCCCTACGATG
Locus800
TTCTACTTCATCT

Answer 3

您需要为下面的行添加第二个awk匹配项。 e.g。

cat test.fasta | awk -F _ '/^>/ { print $3"_"$4 } /^[A-Z]/ {print $1}'

输出：

Locus3443_allele1
ATTCTACTACTACTCT
Locus555662_allele2
CTTCCCTACGATG
Locus800_allele0
TTCTACTTCATCT

如果您不希望_allele1位从awk脚本中删除"_"$4。

Answer 4

你可以在每一行上做一个正则表达式：

$ awk '{ sub(/^.*_L/,"L"); print $0}' /tmp/fasta.txt
Locus3443_allele1
ATTCTACTACTACTCT
Locus555662_allele2
CTTCCCTACGATG
Locus800_allele0
TTCTACTTCATCT

使用awk在fasta标题中的分隔符后保留文本

4 个答案: